0
| 本文作者： 奕欣 | 2017-09-06 10:32 |
雷鋒網(wǎng) AI 科技評論按：在剛剛結束的巴黎綜合理工學院舉行的 Data Science 暑期學校中，Yoshua Bengio 以《Deep Learning for AI》為主題進行了演講。在這節(jié)課上，Bengio 教授結合自己以往的研究經(jīng)歷，回顧和分享了自己在深度學習領域的一些心得和經(jīng)驗。雷鋒網(wǎng) AI 科技評論整理如下。
在課程的最開始，Bengio 為自己的新書《Deep Learning》打了個小廣告（笑），表示目前雖然 MIT Press 已經(jīng)集合成書，但原文依然可以在線閱讀。
深度學習已經(jīng)取得了越來越重要的突破，從感知、掌握語言、玩游戲、或是分析上，深度學習的影響力一直不可小視。
從學習層面上看，深度學習是將知識傳遞給智能體的強大方法，但傳統(tǒng) AI 方法失效的原因在于，大量的知識是直觀且難以傳遞的。因此，目前深度學習的主流方法是讓系統(tǒng)從數(shù)據(jù)和經(jīng)驗中獲取知識。
要想讓深度學習真正向人工智能邁進，Bengio 認為需要滿足五個核心條件。
需要有大量的數(shù)據(jù)
要有靈活的模型
足夠的算力
計算機具有有效的推斷能力
也是最重要的一點，能夠避免層次（dimentionality）問題。
而 Bengio 認為，要解決最后一個問題，我們需要在深度學習模型中引入「組合性」的概念。
就像人類語言可以通過不同的組合形式來賦予句子意義，陳述復雜的想法，組合能夠在表征能力上實現(xiàn)指數(shù)級的提升。組合性（compostionality）能夠有效地對我們周圍的世界進行描述和理解。
在這里，Bengio 通過分布式表征/嵌入（特征學習）和深層建設（多層次的特征學習）兩個例子陳述了組合性的強大力量。
那么，深度學習既然存在已久，最近到底有哪些進展和變化呢？
Xavier Glorot 和 Bengio 在 AISTATS 2011 的論文《Deep Sparse Rectifier Neural Networks》中提出了一個重要的結論，即 ReLU 的稀疏表達能力是網(wǎng)絡性能提升的原因之一。
而在 2014 年的 NIPS 上，GANs 的提出讓無監(jiān)督生成神經(jīng)網(wǎng)絡在處理圖像、語音和文本上取得了新的進步。ICLR 15' 之后，以谷歌神經(jīng)網(wǎng)絡為代表的基于注意力機制的深度學習發(fā)展，又將機器翻譯水平帶向了一個新的高度。注意力機制為神經(jīng)網(wǎng)絡在記憶領域提供了一個嶄新的大門，而基于記憶增強的神經(jīng)網(wǎng)絡也為分析與問題解答的相關系統(tǒng)提供了有效機制。
Bengio 也提出，在深度學習取得越來越好的表現(xiàn)之時，我們也開始思考為何深度學習能有這么好的效果。自然，不可忽略的一點是它的泛化性能非常好，而且在優(yōu)化上，SGD 和非凸的特性也讓它取得了極好的效果。
目前在工業(yè)界，效果最好的依然是監(jiān)督學習，而人類的無監(jiān)督學習能力依然完勝計算機。也就是舉一反三的能力，比如一個兩歲小孩也能夠理解直觀物理學。小寶寶可以構建一個抽象但足夠可靠的物理模型，主要原因在于它與真實世界進行了互動，而不僅僅是作為旁觀者進行觀察。
谷歌大腦研究科學家 Hugo Larochelle 在 AAAI 2008 年和 Bengio、Dumitru Erhan 一起發(fā)表了《Zero-data Learning of New Tasks》，提出了零數(shù)據(jù)學習的概念；它與零例學習（Zero-Shot Learning）一起，在領域適應性上努力嘗試做出更多的遷移。
早期的 GANs 訓練了包括數(shù)字、人臉、風景、動物的一系列樣本，也包括卷積 GANs 的臥室圖片。
而在 CVPR 2017 上，Bengio 團隊也發(fā)表了一篇相關文章《即插即用生成網(wǎng)絡：在潛在空間中生成條件迭代圖像》。
此外，Bengio 還提及了一些遺漏的要點，比如：
系統(tǒng)的學習越主動，無監(jiān)督學習的效果越好。
發(fā)現(xiàn)潛在的因果因素；
基于模型的的 RL，擴展到新的預測模型，能夠幫助分析一些難以觀察到的危險情況；
足夠的算力能夠讓模型捕捉到人類層面的知識；
自動挖掘不同的時間尺度，以處理長期依存關系；
真正要理解人類的語言，依然需要足夠的常識；
零例學習，以及抽象和闡述以往的觀察結果，得益于大規(guī)模的知識表征技術。
在演講的最后，Bengio 強調了深度 AI（Deep AI）的未來，他認為有如下幾點需要注意：
科學的進步是緩慢而漸進的，但社會層面和經(jīng)濟層面的轉變則可能是具有顛覆性的。
我們面臨著許多基礎研究問題，雖然當我們逐一解決這些問題的時候，我們可能會面臨更多的不確定，但我們仍然會繼續(xù)攻克它們。
不論是出于長期或是短期的考慮，持續(xù)對基礎性/探究性 AI 研究進行投入非常重要。
讓我們繼續(xù)讓這一領域保持開放和自由，對社會影響保持開放的心態(tài)，并且相信，AI 將會持續(xù)發(fā)展，并受益我們的每一個人。
如果希望下載完整 PPT，歡迎關注f雷鋒網(wǎng)「AI 科技評論」（aitechtalk）并回復「Bengio」獲取下載鏈接。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
